基于小波分析和集成学习的光伏输出功率短期预测

针对光伏输出功率的预测精度影响系统安全调度和稳定运行的问题,该文建立了基于小波分析和集成学习的光伏输出功率短期预测模型。考虑到光伏输出功率的波动性与随机性,引入小波分析将数据分解成趋势项和随机项,并分别对其建模。其中,趋势项采用SVM算法,随机项采用BP算法进行预测处理;再考虑到随机项的非平稳性和BP算法的固有缺点,为提高预测精度,将集成学习引入随机项的预测模型。大量测试结果表明,基于小波分析和集成学习的短期预测模型的预测精度优于现有几种模型。

基于主成分分析和遗传优化BP神经网络的光伏输出功率短期预测

针对光伏系统输出功率的波动性和间歇性特点,提出一种基于主成分分析(PCA)和遗传算法(GA)优化的BP神经网络功率短期预测方法。通过历史功率数据和实时气象因素对输出功率进行直接预测,利用主成分分析法将多个原始变量降维成少数彼此独立的变量,作为神经网络的输入。同时利用遗传算法的全局搜索特性在解空间中定位一个较好的空间,优化BP的初始权值阈值,克服了传统BP神经网络易陷入局部极小点、学习收敛速度慢的问题。通过建立不同预测模型进行对比,验证了所提算法和模型的有效性。

基于PCA‑VMD‑MVO‑SVM的短期光伏输出功率预测方法

为了提高光伏输出功率短期预测的准确性和可靠性,提出一种基于主成分分析法(principal component analysis,PCA)、变分模态分解法(variational mode decomposition,VMD)和多元宇宙算法(multi verse optimizer,MVO)对支持向量机(support vector machine,SVM)进行优化的光伏输出功率短期预测组合模型。先利用PCA具有的数据分析能力和VMD具有的数据分解性能,对多维训练数据进行降维和分解;再将提取后的数据输入由MVO算法优化的SVM预测模型,得到不同本征模态的光伏输出功率预测分量;最后,将各预测分量的结果进行叠加。研究结果表明:该模型在晴天、多云和阴雨天时的平均绝对百分比误差分别为0.7453%、0.5105%和1.0156%。以多云天气为例,该模型的平均绝对百分比误差比MVO‐SVM、VMD‐MVO‐SVM、PCA‐MVO‐SVM模型的分别降低了3.8207%、2.9173%和1.8438%。

基于CNN-GRU-ISSA-XGBoost的短期光伏功率预测

针对光伏功率随机性及波动性大,单一预测模型往往难以准确分析历史数据波动规律,从而导致预测精度不高的问题,提出一种基于卷积神经网络-门控循环单元(CNN-GRU)和改进麻雀搜索算法(ISSA)优化的极限梯度提升(XGBoost)模型的短期光伏功率预测组合模型.首先去除历史数据中的异常值并对其进行归一化处理,利用主成分分析法(PCA)进行特征选取,以便更好地识别影响光伏功率的关键因素.然后采用CNN网络提取数据的空间特征,再经过GRU网络提取时间特征,针对XGBoost模型手动配置参数困难、随机性大的问题,利用ISSA对模型超参数寻优.最后对两种方法预测的结果用误差倒数法减小误差的同时对权重进行更新,得到新的预测值,从而完成对光伏功率的预测.实验结果表明,所提出的CNN-GRU-ISSA-XGBoost组合模型具有更强的适应性和更高的精度.

改进黑猩猩算法的光伏发电功率短期预测

针对晴空、非晴空条件下光伏出力预测精度不高等问题,提出一种改进K均值(K-means++)算法和黑猩猩优化算法CHOA(chimpanzee optimization algorithm)相结合,优化最小二乘支持向量机LSSVM(least squares support vector machine)的模型,进行光伏功率预测。首先,利用密度聚类和混合评价函数改进K-means++对原始数据进行自适应类别划分。其次,通过相关性分析和随机森林特征提取构建模型的输入特征集。最后,根据特征集建立基于DK-PCHOA-LSSVM的短期光伏发电预测模型。结合实际算例,结果表明:该模型在恶劣天气下预测精度明显优于其他模型,验证了其有效性和优越性。

基于聚类的HPO-BILSTM光伏功率短期预测

考虑到光伏发电功率在不同天气类型下的波动性和不确定性,对此提出一种基于模糊C均值聚类算法(FCM)和猎食者优化算法(HPO)优化双向长短期记忆网络(BILSTM)的光伏发电短期功率预测模型。首先对光伏发电数据进行处理和分析,再进行主成分分析(PCA)降维和FCM聚类算法将数据按天气类型分为阴、晴、雨;最后通过HPO筛选得出BILSTM神经网络的最佳超参数,避免因超参数设置不佳对实验带来的影响,进一步提高实验的准确性和模型的泛化能力。最后通过预测和对比实验进行分析,验证所提方法的优越性。

基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测

精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡。该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测。首先使用BIRCH无监督聚类算法对历史数据聚类得到3种典型天气,根据聚类结果划分测试集对模型进行训练。为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率。实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强。

基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。

混合图神经网络和门控循环网络的短期光伏功率预测

为了能从大量历史光伏发电数据中提取出有效的时序特征以及在非欧几里得域中的关联,建立了基于混合图神经网络以及门控循环网络的短期光伏功率预测模型。该模型首先通过最邻近分类算法生成气象及出力数据的最邻近图,再将其结合图神经网络作为编码器对气象及出力数据进行编码形成时间序列,最后通过门控循环网络以及全连接层解码输出光伏功率预测结果。通过仿真分析验证,该模型具有更优的特征挖掘能力和分析性能,能更好地突出某时间节点的气象及出力数据特征,适应天气突变带来特征变化,从而提升光伏预测整体模型的表达能力。

基于多模式分解和多分支输入的光伏功率超短期预测

针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为adAP算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果。实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度。

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法(Northern Goshawk Optimization,NGO)优化双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解(Variational Mode Decomposition,VMD)将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.

基于PCA-ShapeDTW-QWGRU的分布式光伏集群短期功率预测

针对分布式光伏短期功率预测建立基于主成分分析、改进的动态时间规整算法与量子加权门控循环单元(PCAShapeDTW-QWGRU)的集群功率预测模型。针对集群划分不够精细、光伏电站数据蕴含的信息难以捕捉的问题,提出基于主成分分析结合密度聚类算法(PCA-OPTICS)的集群划分方法;针对目前选取代表电站与集群相似性较低的问题,提出基于改进的动态时间规整算法(ShapeDTW)的代表电站的选取方法,利用ShapeDTW度量相似性距离,选取最小值作为代表电站,并利用基于均方根传播梯度下降法优化的量子加权门控循环单元(RMSprop-QWGRU)模型进行预测;为了解决代表电站与集群功率的变换系数转换差异较大的问题,采用实时变换系数对代表电站进行集群功率值预测计算。实验结果表明,所提方法能有效提升光伏集群功率预测的精度。

基于实例迁移学习的小样本光伏功率短期预测

针对新建光伏电站历史数据匮乏导致功率预测精度不足的问题,提出一种基于实例迁移学习的小样本光伏发电功率短期预测方法。首先,以一组丰富的长期运行光伏数据为源域,利用多核最大均值差异估计源域与目标域光伏数据的匹配相似性,筛选出高相似的迁移源域;然后,建立加权对抗双向长短期记忆网络,通过对抗学习赋予源域光伏样本权重以调整其数据分布,将调整后的源域数据充实目标域数据集,采用双向长短期记忆网络挖掘公共知识域中光伏发电功率序列与气象数据的双向时序关联特性,实现小样本条件下光伏功率的精准预测。结果表明:相较于传统深度学习和模型迁移方法,所提方法能有效提高历史数据有限条件下光伏功率的预测精度。

基于相似日聚类和VMD-LTWDBO-BiLSTM的短期光伏功率预测

针对光伏发电功率波动性、间歇性和预测精度较低问题,提出一种基于改进蜣螂优化算法(LTWDBO)对变分模态分解(VMD)中惩罚系数和分解层数参数以及双向长短期记忆网络(BiLSTM)中关键性参数进行寻优的组合光伏发电功率预测模型。首先,采用斯皮尔曼相关系数选取主要因素作为K-means++相似日聚类的输入,将历史数据划分为不同天气的相似日样本;其次,将不同天气下的强相关性特征和光伏发电功率数据进行VMD分解,并对各子分量构建LTWDBO-BiLSTM预测模型;最后将预测值进行叠加重构得到最终预测结果。仿真结果表明,所提VMD-LTWDBO-BiLSTM组合模型相较于其它几组模型,在不同天气下的平均绝对误差均显著降低,验证了其在不同天气条件下仍具有较好的精度和鲁棒性。

基于SFLA和MSISSA-ANFIS的超短期光伏功率动态预测方法

为进一步提高光伏功率预测的精度,提出一种基于SFLA、MSISSA和ANFIS的超短期光伏功率日内动态预测模型。首先针对ANFIS模型受成员函数影响较大的缺点采用MSISSA对其进行优化,并结合SFLA选取相似日的方法,构建基于SFLA和MSISSA-ANFIS的功率预测模型。然后根据相关性较高的功率、气象特征与相似日集合构建特征向量对未来4 h的光伏功率进行预测。最后将从小型气象站获得的实时更新的未来气象数据存入数据库,每隔15 min预测一次,实现光伏功率的日内动态预测。结果表明所提方法提高了超短期光伏预测的精度。

基于数值天气预报因子扩充和改进集成学习的高寒地区短期光伏功率预测

高寒地区光伏系统因气象条件影响,其光伏功率表现出更显著的波动性。本文以黑龙江某光伏电站为例,提出基于数值天气预报(NWP)因子扩充和改进常规Stacking集成学习的高寒地区短期光伏功率预测方法。针对高寒地区光伏功率波动大的特点,引入NWP差分因子作为交叉特征,提升模型对天气变化的敏感性。随后,以极致梯度提升(XGBoost)和长短期记忆(LSTM)网络为基学习器,时间卷积网络(TCN)为元学习器,构建集成学习模型,并利用前向验证优化模型结构。最后,进行对比实验分析,结果表明本文所提方法具有更高的预测准确度和稳定性。

基于SMD与WaOA-CNN-LSTM的短期光伏功率预测

针对当前光伏功率预测模型所面临因数据的复杂性、信号处理过程的噪声干扰、非线性特征难以提取等问题而导致的预测精度低、稳定性差等多方面挑战,提出了一种融合二次模态分解(SMD)和基于海象算法(WaOA)优化CNN-LSTM神经网络的组合预测模型。首先,利用完全自适应噪声集合经验模态分解(CEEMDAN)对光伏数据进行分解,并结合K均值聚类算法(K-means)将多个子序列重构成低频、中频以及高频序列;其次,将含有残余噪声的高频序列采用变分模态分解(VMD)进行二次分解处理;最后,对各分量分别构建CNN-LSTM模型,并利用WaOA算法对网络参数进行寻优,将各分量的预测结果进行叠加,得到最终预测结果。SMD处理方法解决了传统数据处理方法模态混叠、低频分量过多和高频分量噪声残余等问题,CNN-LSTM模型能够捕捉数据中的空间关系和长期依赖关系,WaOA算法对模型参数的优化提高了模型的性能和效率。选取陕西某地光伏电站数据进行测试,通过多组对比实验进行验证,结果表明:所提方法具有更高的预测精度。

基于数据优化和CQR-CNN-BiGRU模型的光伏功率超短期区间预测

现有光伏功率区间预测算法通常侧重于提高覆盖率和缩小预测区间,未能充分考虑实际调度中的经济成本和风险成本,从而限制了这些算法在调度决策方面的实际应用。引入了“最优置信度”概念,提出了一种创新的光伏功率区间预测方法,将数据优化与CQR算法以及CNN-BiGRU神经网络模型相结合。首先对经预处理后的光伏功率序列进行优化,采用分解-重构的思想,将光伏功率序列分解为趋势分量、周期分量和随机分量;然后结合多个气象因素,分别输入经改进麻雀搜索算法优化的CQRCNN-BiGRU神经网络中,建立各自的区间预测模型,叠加三个分量的区间预测结果,实现光伏功率的区间预测。仿真结果表明,所提方法的预测区间能够更接近预设的最优置信度,同时能够快速、有效地获得更高质量的预测区间。

基于IPSO-BPNN的楼宇屋顶光伏出力功率超短期预测

在建筑光伏一体化技术的背景下,准确预测屋顶光伏输出功率对于优化建筑能源管理和确保光伏电力的稳定并网至关重要。提出了一种基于IPSO-BPNN的楼宇屋顶光伏出力功率超短期预测模型,该模型引入Sine混沌序列初始化和精英粒子反向学习策略,改进了基本的PSO算法,并利用此算法对基本BPNN模型的超参数进行优化,从而实现了对屋顶光伏出力功率更加准确的预测。预测模型性能测试实验表明,所提出的IPSO-BPNN预测模型在不同季节的预测准确性和稳定性都有显著提高。该模型能够准确预测屋顶光伏发电功率,为建筑光伏一体化系统的稳定运行和能源管理提供切实可行的解决方案。

基于改进灰狼算法优化LSTM的光伏发电功率短期预测

为了提高光伏发电功率短期预测结果的准确性,提出了一种基于改进灰狼(improved grey wolf optimization,IGWO)算法优化长短时记忆(long short term memory,LSTM)神经网络的光伏发电功率短期预测方法。利用余弦相似度寻找相似日,确定光伏发电功率预测的特征量和训练集。采用非线性收敛因子和差分进化策略对GWO算法进行改进,得到收敛性能更好的IGWO算法,采用IGWO算法对LSTM的超参数进行优化,建立了基于IGWO-LSTM的光伏发电功率短期预测模型。使用某小型光伏电站的运行数据进行仿真分析,结果表明,IGWOLSTM模型对晴天、多云和阴雨天气光伏功率预测结果的均方根误差依次为2.11 kW、2.48 kW和2.74 kW,平均相对误差依次为3.43%、4.81%和6.33%,预测效果优于其他方法,验证了所提方法的实用性和有效性。